Как я могу снять временные ряды? Можно ли просто взять первое различие и запустить тест Дики Фуллера, и если он стационарный, у нас все хорошо?
В Интернете я также обнаружил, что могу рассчитывать временные ряды, выполняя это в Stata:
reg lncredit time
predict u_lncredit, residuals
twoway line u_lncredit time
dfuller u_lncredit, drift regress lags(0)
Каков наилучший подход для определения временного ряда?
regression
time-series
stata
stationarity
user58710
источник
источник
Ответы:
Если тренд является детерминированным (например, линейный тренд), можно выполнить регрессию данных по детерминированному тренду (например, индекс с постоянным временем), чтобы оценить тренд и удалить его из данных. Если тренд является стохастическим, вы должны вытянуть серию, взяв первые отличия от нее.
Тест ADF и тест УПСК может дать вам некоторую информацию , чтобы определить , является ли детерминированной или стохастической тенденция.
Поскольку нулевая гипотеза теста KPSS является противоположной нулевой в тесте ADF, можно заранее определить следующий способ продолжения:
источник
У вас есть несколько способов убрать временной ряд с целью сделать его стационарным:
Линейный тренд-тренд - это то, что вы скопировали. Это может не дать вам того, что вы желаете, так как вы произвольно фиксируете детерминированный линейный тренд.
Квадратичный детрендинг в некотором роде похож на линейный детрендинг, за исключением того, что вы добавляете «время ^ 2» и допускаете поведение экспоненциального типа.
HP-фильтр от Hodrick and Prescott (1980) позволяет извлекать недетерминированный долгосрочный компонент серии. Таким образом, остаточный ряд является циклическим компонентом. Имейте в виду, что, поскольку это оптимальное средневзвешенное значение, оно страдает от смещения конечной точки (первые и последние 4 наблюдения ошибочно оценены).
Полосовой фильтр Бакстера и Кинга (1995), который по сути является фильтром скользящей средней, где вы исключаете высокие и низкие частоты.
Фильтр Кристиано-Фицджеральда.
Подводя итог, это зависит от вашего намерения, и некоторые фильтры могут лучше соответствовать вашим потребностям, чем другие.
источник
Возможно, есть более чем одна тенденция. Возможно, есть сдвиг уровня. Возможно, отклонение ошибки со временем изменилось. В любом случае простое отклонение от нормы может быть неуместным. Хороший исследовательский анализ по линии http://www.unc.edu/~jbhill/tsay.pdf должен использоваться для определения характера данных / модели.
источник
Я предлагаю взглянуть на анализ Singular Spectrum. Это непараметрический метод, который очень грубо можно рассматривать как PCA для временных рядов. Одним из полезных свойств является то, что он может эффективно де-тренд серии.
источник
Вы должны тщательно исследовать эту тему и начать здесь.
http://www.stat.pitt.edu/stoffer/tsa3/
Главное, что вы ищете, это стационарность или нестационарность, потому что большинство статистических тестов предполагают, что данные распределяются нормально. Существуют разные способы преобразования данных в стационарные. Детрендинг является одним из методов, но он не подходит для некоторых видов нестационарных данных.
Если данные являются случайным блужданием с трендом, то вам, возможно, придется использовать дифференцирование.
Если данные показывают детерминированный тренд с сезонным или другим отклонением от тренда, следует начинать с тренда.
Возможно, вам придется экспериментировать с различными подходами.
источник